Ultralytics YOLO27：
Get Started

使用 Ultralytics YOLO26 进行距离计算#

什么是距离计算？#

距离计算是测量图像或视频帧中两个检测目标之间距离的过程。对于 Ultralytics YOLO26，系统会使用边界框质心，计算用户选定边界框之间的距离。



观看： 如何使用 Ultralytics YOLO 以像素为单位估算检测目标之间的距离 🚀

可视化效果#

使用 Ultralytics YOLO26 进行距离计算
Ultralytics YOLO26 距离计算

距离计算的优势#

  • 定位精度： 提升计算机视觉任务中的空间定位准确性。
  • 尺寸估算： 估算目标尺寸，帮助更好地理解上下文。
  • 场景理解： 提升对 3D 场景的理解能力，从而改善自动驾驶车辆和监控系统等应用中的决策效果。
  • 碰撞规避： 通过监测运动目标之间的距离，帮助系统检测潜在碰撞。
  • 空间分析： 便于分析受监控环境中目标之间的关系和交互。
距离计算
  • 按住鼠标左键，点击任意两个边界框即可计算距离。
  • 使用鼠标右键删除所有绘制的点。
距离为估算值

距离为估算值，可能不完全准确，因为计算使用的是缺少深度信息的 2D 数据。

使用 YOLO26 计算距离#

DistanceCalculation 解决方案会跨帧跟踪目标，并以像素为单位，测量你用鼠标选定的任意两个边界框质心之间的欧氏距离。运行下面的示例，然后用鼠标左键单击两个目标，绘制连接线并读取距离；用鼠标右键清除选择。

使用 Ultralytics YOLO 进行距离计算
import cv2

from ultralytics import solutions

cap = cv2.VideoCapture("path/to/video.mp4")
assert cap.isOpened(), "Error reading video file"

# 视频写入器
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))
video_writer = cv2.VideoWriter("distance_output.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

# 初始化距离计算对象
distancecalculator = solutions.DistanceCalculation(
    model="yolo26n.pt",  # YOLO26 模型文件的路径。
    show=True,  # 显示输出
)

# 处理视频
while cap.isOpened():
    success, im0 = cap.read()

    if not success:
        print("Video frame is empty or processing is complete.")
        break

    results = distancecalculator(im0)

    print(results)  # 访问输出

    video_writer.write(results.plot_im)  # 写入处理后的帧。

cap.release()
video_writer.release()
cv2.destroyAllWindows()  # 关闭所有已打开的窗口

DistanceCalculation() 参数#

下面是 DistanceCalculation 参数表：

参数类型默认值说明
modelstrNoneUltralytics YOLO 模型文件的路径。
line_widthint2解决方案绘制的框、关键点和计数的线条粗细。
verboseboolTrue启用逐帧日志，记录输入形状、类别计数和处理速度。跟踪调用本身始终不会输出日志。

你也可以在 DistanceCalculation 解决方案中使用各种 track 参数。

参数类型默认值说明
trackerstr'tracktrack.yaml'指定要使用的跟踪算法。内置选项：botsort.yaml、bytetrack.yaml、ocsort.yaml、deepocsort.yaml、fasttrack.yaml、tracktrack.yaml。
conffloat0.25设置检测的置信度阈值；较低的值允许跟踪更多物体，但可能会包含误检。
ioufloat0.7设置用于筛除重叠检测结果的交并比 (IoU) 阈值。
classeslistNone按类别索引筛选结果。例如，classes=[0, 2, 3] 只跟踪指定类别。
devicestrNone指定推理设备（例如 cpu、cuda:0 或 0）。用户可以选择 CPU、特定 GPU 或其他计算设备来运行模型。
imgszint or tuple640目标推理图像尺寸：正方形图像使用整数，或使用 (height, width) 对。图像尺寸会调整为模型步幅的整数倍。
max_detint300跟踪前每帧保留的最大检测数量，用于限制解决方案在密集场景中处理的物体数量。
quantizeint or strNone推理精度：对于 PyTorch 和 TorchScript 模型，使用 16 (FP16) 或 32/未设置 (FP32)；其他格式则采用其模型文件和运行时选择的精度。替代已弃用的 half 标志。

此外，还可以使用以下可视化参数：

参数类型默认值说明
showboolFalse如果 True，则在窗口中显示带标注的图像或视频。适用于在开发或测试期间即时查看结果。
show_confboolTrue在每个检测结果的标签旁显示置信度分数，帮助了解模型对该检测结果的确信程度。
show_labelsboolTrue在可视化输出中显示每个检测结果的标签，便于立即了解检测到的对象。

实现细节#

DistanceCalculation 类通过跨视频帧跟踪目标，并计算所选边界框质心之间的欧氏距离来实现功能。当你点击两个目标时，该解决方案会：

  1. 提取所选边界框的质心（中心点）
  2. 计算这些质心之间以像素为单位的欧氏距离
  3. 在帧中显示距离，并用连接线标出两个目标

该实现使用 mouse_event_for_distance 方法处理鼠标交互，让用户可以根据需要选择目标和清除选择。process 方法负责逐帧处理、跟踪目标并计算距离。

应用场景#

使用 YOLO26 计算距离有许多实际应用：

  • 零售分析： 测量顾客与商品之间的距离，并分析店铺布局效果
  • 工业安全： 监控工人与机器之间的安全距离
  • 交通管理： 分析车辆间距并检测跟车过近的情况
  • 体育分析： 计算球员、球和场地关键位置之间的距离
  • 医疗保健： 确保候诊区内保持适当距离，并监测患者的移动
  • 机器人： 让机器人与障碍物和人员保持适当距离

常见问题#

  • 要使用 Ultralytics YOLO26 计算目标之间的距离，你需要确定检测目标的边界框质心。此过程包括从 Ultralytics 的 solutions 模块初始化 DistanceCalculation 类，并使用模型的跟踪输出计算距离。

  • 使用 Ultralytics YOLO26 计算距离有以下优势：

    • 定位精度： 为目标提供准确的空间定位。
    • 尺寸估算： 帮助估算实际尺寸，从而更好地理解上下文。
    • 场景理解： 增强对 3D 场景的理解能力，帮助自动驾驶和监控等应用改进决策。
    • 实时处理： 即时执行计算，适用于实时视频分析。
    • 集成能力： 可与 YOLO26 的其他解决方案无缝协作，例如目标跟踪和速度估算。

  • 可以，你可以使用 Ultralytics YOLO26 对实时视频流进行距离计算。此过程包括使用 OpenCV 捕获视频帧、运行 YOLO26目标检测，并使用 DistanceCalculation 类计算连续帧中目标之间的距离。有关详细实现，请参阅视频流示例。

  • 要删除使用 Ultralytics YOLO26 进行距离计算时绘制的点，可以单击鼠标右键。此操作会清除你绘制的所有点。有关详情，请参阅距离计算示例下方的备注部分。

  • 在 Ultralytics YOLO26 中初始化 DistanceCalculation 类时，关键参数包括：

    • model：YOLO26 模型文件的路径。
    • tracker：要使用的跟踪算法（解决方案默认使用 tracktrack.yaml）。
    • conf：检测置信度阈值。
    • show：用于显示输出的标志。

    完整列表和默认值请参阅 DistanceCalculation 的参数。

贡献者
GLglenn-jocher16RIRizwanMunawar15RAraimbekovm4MAMatthewNoyce2SUSunny110920031PDpderrenger1JKjk4e1IVIvorZhu3311AYAyushExel1

评论